StreamPI

StreamPI 是一个面向视觉-语言-动作（VLA）模型的流式多模态时序建模框架，旨在为单帧VLA模型赋予高效、无参数增量的时序推理能力。其核心技术包括：以（视觉观测，语言指令）对为原子时序单元，采用双向注意力维持跨模态对齐、因果注意力建模跨单元时序依赖，并通过KV缓存实现历史状态复用，显著降低重复计算开销。项目基于openpi构建，额外支持JAX多节点分布式训练，提升大规模时序数据训练效率。适用于机器人操作、具身智能、实时人机交互等需长时程感知与动作规划的场景。